去年Q3，我帮一家做家居收纳的电商团队复盘他们的品类竞争分析报告。报告有32页，里面有CR4、HHI、SKU增速、价格带分布、广告点击份额，数据密密麻麻。但当我问"所以你决定要不要继续加大这个品类的投入"时，负责人的回答是："数据都在这了，但我说不清竞争到底算不算激烈。"这不是个例。我接触过的商品分析团队里，超过一半的竞争强度分析最终都停在"有数据、没结论"的状态。
问题不在数据不够，而在指标设计从第一步就走偏了：绝大多数人是先罗列能拿到的指标，再试图拼出一个结论，而不是先确定要回答什么业务问题，再倒推需要哪些指标、怎么组合、怎么设阈值。这篇文章就把这套倒推逻辑完整拆一遍。
先把结论放在最前面：竞争强度不是一个可以直接测量的物理量，它是一个由多个维度合成的判断，而这个判断必须绑定到一个具体的业务决策上才有意义。同样一个品类，对于"要不要进入"和"要不要打价格战"这两个问题，需要的指标组合、权重和阈值完全不同。
我见过太多团队的指标体系是这样搭起来的：先看手上有什么数据，平台榜单能拿到、生意参谋能导出、价格监测工具能抓，然后把这些数据做成指标，堆在一个看板里，再让业务方"综合判断"。这种做法的问题在于，指标之间没有逻辑关系，权重靠拍脑袋，阈值没有依据，最后业务方看到的是一堆数字，而不是一个可执行的判断。
正确的顺序应该是三步：第一步明确决策问题，第二步拆解这个问题需要回答哪几个子判断，第三步为每个子判断匹配指标、数据源和阈值。指标是最后一步才出现的东西，不是起点。
要理解这个问题，得先看清楚商品分析团队实际面对的工作场景。我观察到的典型场景有三类，每一类对竞争强度的需求都不一样。
这是最典型的场景。团队要判断某个细分品类值不值得投入资源，可能是新开一条产品线，可能是决定是否代理某个品牌，也可能是决定是否在一个新平台开店。这时候需要回答的核心问题是：这个品类的竞争结构是否给新进入者留了空间。
这个问题的关键是"结构"，而不是"激烈程度"。一个竞争很激烈的品类，如果结构是分散的、没有绝对垄断者，新进入者仍然可能靠差异化切进去；反过来，一个看起来竞争不激烈的品类，如果头部两家占了大半份额，新进入者几乎没有生存空间。所以这个场景下，集中度指标和进入壁垒指标的权重要远高于行为强度指标。
已经在某个品类里做了，现在要决定是否加大投入，加预算、扩SKU、扩团队。这时候核心问题变成了：当前的竞争强度变化趋势是什么，加码的边际回报是否还在。
这个场景最怕的是用静态指标做判断。我见过一个团队看到自己品类的CR4是0.38，觉得"集中度不高，还有空间"，于是加大投入，结果半年后亏损退出。复盘时才发现，这个品类的CR4在过去四个季度从0.29一路涨到0.38，头部正在快速整合，他们进场的时候正好是整合加速期。静态指标看不出这个趋势，只有把时间维度加进来才能发现。
这是频率最高的场景，也是最容易被忽视竞争强度分析价值的场景。团队要决定一次大促的折扣力度、日常价格的调整幅度，本质上是在判断价格这个竞争维度的激烈程度，以及自己的价格动作会引发什么反应。
这个场景需要的是行为强度指标，价格战频率、促销密度、头部商家的折扣深度。很多团队做定价决策时只看自己的成本和竞品的挂牌价，忽略了竞品的实际成交价和促销节奏，结果定价一出就被市场打脸。
在讲正确做法之前，我先把最常见的误区说清楚。这些误区我在实际项目中反复见到，每一个都直接导致分析结论失效。
最常见的做法是只看CR4或者只看SKU数量。CR4高就说竞争不激烈，SKU多就说竞争激烈。这两个判断都有问题。
CR4高的品类可能是寡头僵持，也可能是寡头正在准备打价格战。如果前四名的份额稳定、价格带错位、促销节奏克制，那确实是相对稳定的竞争格局；但如果前四名份额接近、价格带重叠、都在扩产能，那CR4高恰恰意味着即将爆发激烈竞争。光看集中度这一个数字，两种情况区分不出来。
SKU数量多也不等于竞争激烈。很多品类SKU数量庞大但长尾商品几乎没有销量，真正在竞争的就是头部那几十个链接。用总SKU数判断竞争强度，会被长尾数据严重误导。
很多理论上的好指标，在实际业务里根本拿不到数据。比如要计算某个品类的HHI，需要知道所有玩家的市场份额；但在多数电商平台上，中小卖家的销量数据是不公开的，你只能拿到头部玩家的数据，算出来的HHI其实是头部HHI，不是全市场HHI。
我见过一个团队设计了一套包含17个指标的竞争强度监测体系，上线三个月后发现有9个指标的数据源不稳定或者根本拿不到，整个体系处于半瘫痪状态。指标设计的第一约束不是理论完备性，而是数据可得性和更新频率。拿不到的指标，再重要也要用代理指标替代，或者直接放弃。
这是最隐蔽的坑。很多文章会告诉你"CR4大于0.6就是高集中度"，但这个阈值是从特定行业的实证研究里来的，套到别的行业就完全失效。
快消品和耐用品的集中度基准差异巨大，平台型和自营型的竞争结构也完全不同，甚至同一个行业在不同平台上的集中度都差异明显。我在做品类评估时，一般不会直接用绝对阈值，而是用"同平台同行业的分位数"作为参照，比如你所在的品类CR4在全平台同类目中处于前30%分位，就可以判断为偏高集中。这种相对判断比绝对阈值可靠得多。
竞争强度是动态变化的，而且变化往往比绝对值更重要。一个CR4从0.25涨到0.35的品类，和一个从0.45稳定在0.45的品类，虽然后者绝对值更高，但前者对新进入者的威胁可能更大，因为整合正在加速。
静态指标反映的是"现在有多挤"，动态指标反映的是"门正在以多快的速度关上"。对于进入决策和加码决策，动态指标的权重应该更高。
这是所有误区的最终表现。指标体系做得很完整，看板很漂亮，但业务方看完之后无法做出任何决策。原因是每个指标都只是"呈现"，没有"判断"。一个好的竞争强度指标体系，每一个指标都应该带着判断规则，什么区间意味着什么，触发什么动作。没有判断规则的指标，本质上只是数据展示，不是分析工具。
基于上面的分析，我总结出一套四层设计框架。这套框架的核心逻辑是：从决策问题出发，经过维度拆解、指标匹配、阈值设定，最终形成可执行的判断规则。每一层都要回答一个明确的问题，任何一层没有答案，整个体系就不成立。
这一层要回答的是：这个竞争强度分析，最终要支撑什么决策？
把决策问题写下来，要具体到决策主体、决策时间窗和决策选项。比如"我们是否要在2025年Q2进入家居收纳的桌面收纳细分品类"，而不是模糊的"分析一下竞争强度"。决策问题的具体程度，直接决定了后面指标选择的精度。
我的经验是，一个清晰的决策问题应该能用一句话说完，并且包含三个要素：决策对象、时间窗、可选方案。如果需要三句话才能说清楚，说明问题还没收敛，需要先做一轮问题澄清。
把决策问题拆成几个必须回答的子判断。以"是否进入某个细分品类"为例，可以拆成四个子判断：
每个子判断都需要独立回答，任何一个子判断无法回答，进入决策就不能做。这种拆解的好处是把一个模糊的大问题变成了四个可验证的小问题，每一个都可以用具体指标来衡量。
针对每个子判断，匹配最能回答它的指标，同时确认数据源可得。这一层的原则是每个子判断配2-3个指标，既不能只用一个指标（容易片面），也不能用太多（容易互相矛盾且增加成本）。
下面这张表是我在实际项目中常用的子判断与指标匹配方案，可以直接作为起点：
| 子判断 | 核心指标 | 辅助指标 | 数据源类型 | 更新频率 |
|---|---|---|---|---|
| 结构判断 | CR4（头部四家份额）、头部份额变化率 | HHI、头部集中度分位数 | 平台榜单、第三方监测工具 | 月更 |
| 门槛判断 | 进入所需最低月销、头部商家平均开店时长 | 供应链集中度、认证门槛数量 | 平台数据、工商数据、行业访谈 | 季更 |
| 行为判断 | 价格战频率、大促折扣深度、广告点击份额 | 新品上市频率、SKU淘汰率 | 价格监测工具、广告数据、平台数据 | 周更 |
| 趋势判断 | CR4变化趋势、头部换手率 | 新进入者存活率、融资事件数 | 历史数据回溯、行业报告 | 季更 |
注意这张表里的更新频率设计。行为判断是周更，因为竞争行为变化快，用月更数据会错过关键信号；结构和门槛是月更或季更，因为这两个维度变化慢。不同维度的更新频率不同，是指标体系设计里常被忽视但很关键的细节。
这是最容易被跳过但最关键的一层。每个指标都要有明确的判断规则，什么值对应什么判断，触发什么动作。
判断规则的设计有两种方式。一种是绝对阈值，适用于有行业共识的指标，比如价格战频率（月均降价次数超过4次视为高强度）。另一种是相对阈值，适用于没有统一标准的指标，比如CR4，用同平台同类目的分位数来设定，超过75分位视为高集中，低于25分位视为低集中。
我的建议是能设绝对阈值的就用绝对阈值，不能设的用相对阈值，但一定要给出明确的数值，不能写"较高""较低"这类模糊表述。模糊的阈值等于没有阈值，业务方仍然无法判断。
理论框架讲完了，接下来用一个具体工具把流程跑一遍。我在做跨境电商和国内电商的品类竞争分析时，常用的数据工具是数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）。它提供跨境和国内多平台的品类数据、榜单数据和商品级监测数据，比较适合用来做上面这套框架里的结构判断和行为判断。
第一步是确定分析的范围。假设我要分析的是某个电商平台上"桌面收纳盒"这个细分品类。范围界定的关键是把品类边界划清楚，是只看桌面收纳盒，还是把抽屉收纳、化妆品收纳也算进来？边界不同，竞争强度结论完全不同。
在数跨境里，我一般先用类目树定位到具体的叶子类目，然后拉取过去12个月的商品榜单数据。拉数据时要注意三个口径问题：
我一般用滚动30天 + 销售额口径 + Top200样本作为默认设置，既能反映近期变化，又不至于被头部极端值主导。
拿到数据后，第一步算CR4。计算逻辑很简单，就是头部四家的销售额之和除以全样本销售额之和。但这里有个细节：如果Top4里有商家的店铺是多店铺运营的，需要先做店铺合并，否则会低估集中度。
# CR4计算逻辑（示意） top4_sales = sum(sorted(sales_list, reverse=True)[:4]) total_sales = sum(sales_list) cr4 = top4_sales / total_sales 头部集中度分位数 将同平台同类目的所有细分品类的CR4排序，计算当前品类所处分位 percentile = percentile_rank(cr4, all_category_cr4_list)
算完CR4之后，不要急着下判断，先算它的分位数。同一个CR4数值，在一个平均集中度很高的平台（比如某些B2B平台）上可能算低集中，在一个平均集中度很低的平台上可能算高集中。分位数是比绝对值更可靠的判断依据，因为它自动校准了平台和行业的基准差异。
结构指标算完，接下来算行为指标。行为指标里最直接的是价格战频率和折扣深度。在数跨境的商品监测数据里，可以拉取每个商品在监测周期内的价格变化序列，然后计算：
这三个指标组合起来可以刻画价格竞争的激烈程度。我一般把月均降价次数超过3次、折扣深度超过25%、价格变动商品占比超过60%作为"高价格竞争"的参考线，注意这是经验值，不同品类需要调整。
趋势指标需要历史数据回溯。最核心的是CR4的时间序列变化和头部换手率。CR4的时间序列可以直接从历史榜单数据里算，头部换手率是指过去N个周期内，头部10名中发生更替的位置数量占比。
头部换手率高，说明头部位置不稳定，新玩家有机会上位，这种品类的竞争虽然激烈但机会也多；头部换手率低，说明头部已经固化，新玩家很难突破。换手率和CR4要结合起来看：CR4高且换手率低，是典型的固化格局；CR4高但换手率高，说明头部仍在洗牌，还有机会。
把上面几组指标汇总，就形成了对这个品类的完整判断。假设桌面收纳盒品类的数据是：CR4为0.41（同平台同类目72分位）、月均降价次数3.8次、大促折扣深度32%、CR4四个季度累计上涨0.07、头部换手率从30%降到10%。
综合判断是：结构偏集中且正在快速集中，行为强度高，头部固化趋势明显。对于进入决策，结论是"不建议以通用打法进入"；如果一定要进，必须找到头部尚未覆盖的差异化切口，比如特定场景（车载桌面收纳）、特定人群（学生宿舍）或特定规格。
这就是一套完整指标体系的输出，不是一堆数字，而是一个带条件的结论和行动建议。
指标体系搭好之后，不同竞争强度画像对应不同的行动建议。我按四种典型组合来拆解，每种组合的判断逻辑和行动方向都不一样。
这种组合的特征是集中度高、头部固化、价格竞争不激烈。典型的例子是一些标准化程度高、供应链门槛高的品类。
行动建议：不进入，或者以收购/合作方式进入。这种格局下，正面竞争几乎没有胜算，因为头部已经形成了成本或品牌壁垒，而且彼此之间达成了某种默契的稳定。新进入者要么等待格局变化（比如技术颠覆），要么通过资本手段直接获取入场资格。
如果是存量玩家要加码，建议是维持投入、守住份额，不要主动打破价格平衡，因为在这种格局里发起价格战往往是伤敌一千自损八百。
这种组合的特征是集中度高但头部不稳定，竞争行为激烈。典型例子是快速增长的品类，头部在快速扩张但位置还没坐稳。
行动建议：谨慎进入，但有明确的差异化机会。这种格局下头部虽然在争夺，但还没有形成不可撼动的壁垒，新进入者如果能在某个细分点位上做出差异化，有机会切进去。但要注意，这种格局的竞争成本很高，因为你需要同时应对激烈的价格竞争和头部的规模优势。
进入前必须算清楚一件事：你打算靠什么在这个激烈竞争里活下来？如果答案是"更便宜"，大概率活不下来；如果答案是"某个头部还没做好的场景"，才有机会。
这种组合的特征是市场分散、头部不稳定、竞争激烈。典型例子是进入门槛低、需求多样化的品类，比如很多手工艺品、个性化定制类目。
行动建议：可以进入，但要控制投入规模，快速验证。这种格局机会多但天花板也低，因为没有哪家能形成绝对优势，所以你的投入很难转化为长期壁垒。建议用小规模投入快速测试，验证需求后再决定是否加码。
定价策略上，这种格局里价格战频繁，不建议跟价到底，而是要在某几个维度上做出明显差异，让消费者有理由不选最便宜的。
这种组合的特征是市场分散、头部稳定、竞争不激烈。典型例子是一些小众但需求稳定的品类。
行动建议：适合进入，且可以稳步投入。这种格局对新进入者最友好，因为没有绝对头部，竞争行为也不激烈，你有空间慢慢建立自己的位置。但要注意天花板可能有限，投入前要判断品类的长期需求是否稳定。
这种格局里最重要的是建立自己的客户资产，因为竞争不激烈，你有时间做复购和口碑，这是这类品类里最可持续的壁垒。
任何指标体系都有取舍，因为资源永远有限。这一节讲清楚三个最常见的取舍场景，帮你在实际工作中做决定。
理论上最好的指标体系包含结构、门槛、行为、趋势四个维度十几个指标，但实际中数据可得性往往只能支撑其中一部分。取舍原则是：优先保证能支撑核心决策的指标，宁缺毋滥。
如果只能保留三个指标，我的建议是CR4（结构）、月均降价次数（行为）、CR4变化趋势（趋势）。这三个指标能覆盖大部分判断场景。门槛指标虽然重要，但数据最难获取，可以先用定性调研替代，不必强求量化。
高精度的指标往往计算复杂、更新慢，高频更新的指标往往精度有限。这个取舍没有统一答案，要看决策的时间敏感度。
对于定价决策，时间敏感度高，宁可精度低一点也要保证周更甚至日更；对于进入决策，时间敏感度低，可以用月更甚至季更的高精度数据。不要试图用一套更新频率覆盖所有决策场景，按决策类型分层设置更新频率更实际。
竞争强度分析里，定量指标能覆盖大部分可观测的竞争行为，但有几个关键因素很难量化：政策变化、技术颠覆、突发事件。这些因素往往比日常的竞争行为影响更大。
我的做法是用定量指标做常规监测，用定性判断做异常预警。定量指标回答"现在竞争有多激烈"，定性判断回答"有没有可能发生改变格局的事"。两者结合才能形成完整认知，不能只依赖其中一种。
举个例子，如果你监测的品类突然出现新玩家用补贴快速起量，定量指标里的CR4可能还没来得及反应，但定性判断应该立刻触发预警，这可能是格局变化的信号，需要重新评估。
回到开头那个问题：为什么那么多团队"有数据没结论"？根本原因是把指标体系当成了目的，而不是工具。指标体系的唯一价值是帮助业务方做出更好的决策，脱离决策场景的指标设计，做得再精细也没有意义。
我这套从决策问题倒推的四层框架，核心就是把指标和决策绑定起来。先明确要回答什么问题，再拆解子判断，再匹配指标，最后设定判断规则。每一步都是为了最后能给出一个带条件的、可执行的结论，而不是一堆数字。
具体到操作上，我建议你接下来做三件事。
第一，把手上正在做的竞争分析报告拿出来，检查每一个指标是否绑定了一个具体的子判断，如果没有，删掉或者补上。没有子判断归属的指标，都是噪音。
第二，给每个保留的指标设定明确的判断规则，包括数据来源、更新频率、阈值区间和触发动作。阈值可以先拍一个初始值，然后在实际使用中迭代校准，但一定要有。
第三，用数跨境这类工具把结构和行为指标的计算流程跑通一遍，形成可重复的监测流程。工具的价值在于让指标计算变成常规动作，而不是每次分析都从零开始拉数据。
指标体系是长期迭代的东西，不要指望一次设计到位，但一定要从第一天起就绑定决策、带着判断规则运行。这样跑三个月，你对品类的竞争判断会比现在准确得多。
我之前做品类复盘时，把CR4、CR8、HHI全算了一遍，结果三个指标给出的结论方向不一致，汇报时被老板问‘到底以哪个为准’，当场卡壳。后来我才意识到，不是指标算错了，而是我没搞清楚它们各自回答的是什么问题。
先明确你要回答的问题：CR4回答的是‘头部四家加起来占多大盘子’，适合快速判断格局是集中还是分散；CR8是把观察面拉宽到前八，适合头部之后还有明显第二梯队的市场；HHI是对所有玩家份额平方求和，对份额变化最敏感，适合监测格局的动态迁移。
实操上建议三个都算但只用一个做主口径：如果品类玩家数量少、头部清晰，用CR4；如果玩家数量多、长尾明显，用HHI；汇报时把另外两个作为交叉验证放在附注里。
判断依据上不要死记阈值，先看自己所在行业的历史分位数，把过去8个季度的CR4排成序列，当前值落在什么位置，比背‘CR4大于60%就是高集中’有用得多。
我们做的是中小平台上的细分类目，既没有第三方报告，也拿不到竞品真实销售额，领导却要求出一份竞争强度分析。我当时觉得这事根本没法做，因为教科书上的指标全都依赖市场份额数据。后来我换了个思路，用可获取的代理指标搭了一套体系，反而跑通了。
可以算，但要接受‘代理指标’而不是‘精确市场份额’。具体做法：用平台公开的销量区间或评价数增量作为份额的粗略代理，用‘在架SKU数’‘近30天上新SKU数’衡量竞争密度，用‘价格带分布的标准差’衡量价格竞争烈度，用‘头部10个商品的销量占比’近似集中度。
判断依据是趋势而非绝对值，你不需要知道CR4是58%还是62%，但你需要知道它这个季度比上季度是升是降。另外把数据口径写清楚：代理指标只能做内部横向对比和时间序列对比，不能对外宣称是行业集中度。如果连销量区间都没有，退一步用‘搜索词下前3页商品的品牌重复度’也能粗略判断格局。
我们团队一开始是季度更新一次竞争强度看板，结果有一次竞品突然大促，等我们发现时份额已经掉了。老板问我‘这套指标是不是滞后了’，我才开始认真想更新频率这件事。
更新频率要按指标类型分层，不要一刀切。结构性指标（集中度、HHI、进入壁垒）变化慢，月度或季度更新足够；行为类指标（价格战频率、促销力度、广告投放密度、新品涌入率）变化快，建议周度甚至日度监测。实操上做一个‘双频看板’：周度看行为指标做预警，季度看结构指标做判断。
判断依据是业务节奏，如果你的品类大促周期是月度，那行为指标至少要周更；如果是低频耐消品，月更行为指标就够。另外设一个触发机制：当行为指标连续两周超过历史均值1.5倍标准差时，自动触发一次结构指标的临时重算，不用等下一个季度。
我负责选品时看到某个细分类目CR4超过70%，第一反应是‘太集中了，别碰’。但后来发现有个新品牌两年内硬是在这个类目里做到了头部，我才意识到自己把集中度和机会判断混为一谈了。
高集中度不等于没机会，关键要看集中度是怎么形成的、以及是否在松动。判断分三步：第一看集中度的稳定性，如果CR4连续8个季度从75%降到65%，说明格局在松动，反而是切入窗口；
第二看头部之间的竞争行为，如果头部靠价格战维持份额，说明利润空间被压缩，此时进入要谨慎，如果头部靠品牌溢价且互不主动攻击，说明可能存在未被满足的细分需求；第三看集中度的构成，是‘一家独大加三个跟随者’还是‘四家势均力敌’，前者可能有差异化缝隙，后者往往是绞肉机。
实操建议：把CR4和‘头部商品差评关键词分布’放在一起看，差评集中的维度通常就是新进入者的切口。
我们搭了一套挺完整的竞争强度看板，十几个指标每周更新，但每次汇报还是只能说‘竞争比较激烈’，说不出到底该涨价还是该收缩。我一度怀疑是不是指标还不够多，后来发现问题不在指标数量。
问题通常出在指标和决策之间缺了一层‘判断规则’。做法是给每个核心指标预设一个动作映射：比如‘HHI连续两季下降且新品涌入率上升’对应‘竞争加剧，暂缓提价、优先保份额’；‘CR4上升但促销频率下降’对应‘格局趋稳，可测试提价空间’。
判断依据是先把决策场景列出来（进入/退出、提价/降价、加投/收缩），再反向检查每个场景至少有两个指标能支撑判断，如果一个场景找不到对应指标，说明指标选错了而不是选少了。
另外每次汇报强制写一句话结论，格式是‘因为A指标和B指标呈现X，所以建议采取Y动作，风险是Z’，写不出来就说明这期数据还没到能下结论的程度。
我在一个五人小团队，没有数据中台也没有BI权限，但老板希望每月看到竞争强度的变化。我一度觉得这事得先申请工具预算，后来发现用表格加固定数据源也能跑起来，只是要接受它不够自动。
可以，核心是把‘数据采集’和‘指标计算’拆开。数据采集用固定模板手动录入，每周花20分钟填四列：日期、竞品名称、在架SKU数、价格区间中位数、评价数增量，数据源就用平台前台可见信息。指标计算在表格里做：用SUM和排序函数算出头部占比近似的集中度，用STDEV算价格离散度，用环比公式算各项变化率。
判断依据上，手工表的优势是你能记住每个数字的来源，劣势是容易断更，所以建议把更新日和某个固定例会绑定。实操提醒：手工表不要追求指标多，选3到5个能持续拿到的就够，宁可指标少但连续12个月不断，也不要指标多但三个月就没人填了。
我在写分析报告时，把竞争强度和竞争格局混着用，被同事指出两个词不是一回事。我查了一些资料，发现很多文章也混着讲，越看越糊涂，想搞清楚指标层面到底要不要区分。
不是一回事，指标设计上要分开。竞争格局描述的是‘市场结构长什么样’，谁大谁小、集中还是分散，对应的是集中度类指标（CR4、HHI、玩家数量分布）；竞争强度描述的是‘玩家之间打得有多凶’，价格战、促销频率、上新节奏、广告投放密度，对应的是行为类指标。
两者关系是：格局是强度的基础条件，但不是决定因素，高集中度可能是寡头默契（低强度），也可能是寡头死磕（高强度）。实操上建议报告里分两栏呈现：格局栏放结构指标，强度栏放行为指标，然后专门写一段‘格局与强度的背离分析’，解释为什么当前格局下强度是升是降。
判断依据是，如果一个品类格局没变但强度上升，说明竞争逻辑变了，这往往比格局变化本身更值得预警。
公司准备进一个刚兴起不到一年的新品类，没有任何历史销售数据，第三方报告也还没覆盖。老板让我出一份竞争强度评估，我第一反应是‘没数据怎么评’，但这事又不能不做。
新品类没有历史数据是常态，做法是从‘结构快照加行为观察’入手，放弃时间序列。结构快照用当下可观察的信息：在架商品数、品牌数、头部10个商品的价格带分布、头部商品的评论数梯度，用这些拼出一个静态的格局画像。
行为观察用短周期高频次的方式：连续4周记录头部商品的价格变动次数、上新频率、促销标签出现率，用这4周的数据做强度判断，虽然样本短但足够看出谁在主动进攻。判断依据上，新品类重点不是算精确指标，而是回答三个问题：头部位置是否已经固化、新进入者还有没有流量窗口、价格带是否已经打穿。
另外明确标注数据局限，把结论写成‘基于4周观察的初步判断’，并约定3个月后重做一次，避免用一次快照下长期结论。
读者评论
从决策问题倒推指标体系的思路很实用。之前做品类分析时确实习惯先罗列能拿到的数据，结果堆了一堆指标却得不出结论，文章点出的'有数据、没结论'问题很真实。
五类误区的统计失效率很有参考价值，尤其是'无判断规则'失效率70%这点。实际工作中看板做得再漂亮，业务方看完不知道下一步做什么，就等于白做。
三类场景的权重差异图很直观。以前做定价决策时只看集中度指标，忽略了行为强度指标的重要性，导致对竞品促销节奏判断滞后，这个框架值得借鉴。